这是我想转换为PyTorch的Keras示例代码。我的输入数据集是10000*1*102（标签有两个维度）。数据集包含10000个样本。每个样本包含一行102个特征。我考虑使用1D CNN进行回归分析。

附注：超参数（例如filters、kernel_size、stride、padding）可以根据我的10000*1*102数据集进行调整。

model = Sequential()model.add(Conv1D(filters=64, kernel_size=3, activation='relu', input_shape=(n_timesteps,n_features)))model.add(Conv1D(filters=64, kernel_size=3, activation='relu'))model.add(Dropout(0.5))model.add(MaxPooling1D(pool_size=2))model.add(Flatten())model.add(Dense(100, activation='relu'))model.add(Dense(n_outputs, activation='softmax'))

回答：

欢迎使用PyTorch。:)我很高兴你决定从Keras转向PyTorch。这对我来说是理解神经网络如何工作的一个重要步骤。如果你有关于代码的具体问题或者代码无法运行，请告诉我。

import torch.nn as nna0 = nn.Conv1D(n_timesteps, 64, 3)a1 = nn.Relu()b0 = nn.Conv1D(64, 64, 3)b1 = nn.Relu()c0 = torch.nn.Dropout(p=0.5)d0 = nn.MaxPool1d(2)e0 = nn.Flatten()e1 = nn.Linear(32*n_timesteps,100)e2 = nn.Relu()e3 = nn.Linear(n_outputs)f0 = nn.Softmax(dim=1)model = nn.Sequential(a0,a1,b0,b1,c0,d0,e0,e1,e2,e3,f0)